Adversarial Robustness of Deep Learning Models for Inland Water Body Segmentation from SAR Images

要約

合成開口レーダー（SAR）画像からの内陸水域のセグメンテーションは、洪水マッピングなど、いくつかの用途に必要な重要なタスクです。
SARセンサーは、高解像度の画像として全天候条件でデータをキャプチャしますが、SAR画像の水と水のような表面を区別することは簡単ではありません。
大きな河川流域などの内陸の水域には、複雑な形状があり、セグメンテーションの課題になります。
u-netは、SAR画像の陸水セグメンテーションのために広く使用されている深い学習モデルです。
実際には、手動注釈は、対応する水マスクを地上の真理として生成するためによく使用されます。
画像の手動注釈は、特に複雑なジオメトリにより、データ中毒攻撃によりノイズにラベルを付ける傾向があります。
この作業では、U-NETモデルに対する敵対的な攻撃の形で手動エラーをシミュレートし、注釈の人的エラーに対するモデルの堅牢性を研究します。
我々の結果は、U-Netがパフォーマンスが大幅に低下する前に、特定のレベルの腐敗を許容できることを示しています。
この発見は、セグメンテーションモデルの有効性を決定する上で、手動注釈の品質が果たす重要な役割を強調しています。
コードと新しいデータセットは、堅牢なトレーニングの敵対的な例とともに、公開されています。
（github link-https：//github.com/gvcl/iwseg-sar-poison.git）

要約(オリジナル)

Inland water body segmentation from Synthetic Aperture Radar (SAR) images is an important task needed for several applications, such as flood mapping. While SAR sensors capture data in all-weather conditions as high-resolution images, differentiating water and water-like surfaces from SAR images is not straightforward. Inland water bodies, such as large river basins, have complex geometry, which adds to the challenge of segmentation. U-Net is a widely used deep learning model for land-water segmentation of SAR images. In practice, manual annotation is often used to generate the corresponding water masks as ground truth. Manual annotation of the images is prone to label noise owing to data poisoning attacks, especially due to complex geometry. In this work, we simulate manual errors in the form of adversarial attacks on the U-Net model and study the robustness of the model to human errors in annotation. Our results indicate that U-Net can tolerate a certain level of corruption before its performance drops significantly. This finding highlights the crucial role that the quality of manual annotations plays in determining the effectiveness of the segmentation model. The code and the new dataset, along with adversarial examples for robust training, are publicly available. (GitHub link – https://github.com/GVCL/IWSeg-SAR-Poison.git)

arxiv情報

提供元, 利用サービス

arxiv.jp, Google